# 前言

這篇筆記僅會記錄一些我覺得比較特別的語法跟我熟悉的 C++ 差異比較大的部分，並不會系統性的介紹所有語法。
還有一些 python 常用套件的語法。

# 語法介紹

# 單行 if（三元運算子）

Python 沒有 ? : 運算子，而是用以下語法表達：

值A if 條件 else 值B

	x = 10
	result = "big" if x > 5 else "small"
	# result = "big"

	# 可直接用在運算式或函式參數中
	print("even" if x % 2 == 0 else "odd")

	# 可巢狀（不建議超過兩層，可讀性差）
	label = "high" if x > 8 else "mid" if x > 4 else "low"

單行 if 沒有 else 的版本只能用在 Comprehension 的篩選條件，不能單獨用在賦值：

	# 合法：用在 Comprehension 篩選（沒有 else）
	[x for x in range(10) if x % 2 == 0]

	# 不合法：單獨賦值時沒有 else 會報錯
	result = x if x > 5 # SyntaxError

# Comprehension（推導式）

將 for 迴圈濃縮成一行的語法，根據包裝的括號不同，產生不同的資料結構。

# List Comprehension（列表推導式）

	# 基本
	[x * 2 for x in range(5)]
	# [0, 2, 4, 6, 8]

	# 搭配 if 篩選
	[x for x in range(10) if x % 2 == 0]
	# [0, 2, 4, 6, 8]

	# 搭配三元 if/else
	[f"small-{x}" if x <= 3 else str(x) for x in range(1, 6)]
	# ['small-1', 'small-2', 'small-3', '4', '5']

# Set Comprehension（集合推導式）

	# 基本
	{x * 2 for x in range(5)}
	# {0, 2, 4, 6, 8}

	# 搭配 if 篩選
	{x for x in range(10) if x % 2 == 0}
	# {0, 2, 4, 6, 8}

	# 搭配三元 if/else
	{"small" if x <= 3 else "big" for x in range(1, 6)}
	# {'small', 'big'}

# Dict Comprehension（字典推導式）

	# 基本
	{x: x**2 for x in range(5)}
	# {0: 0, 1: 1, 2: 4, 3: 9, 4: 16}

	# 搭配 if 篩選
	{x: x**2 for x in range(10) if x % 2 == 0}
	# {0: 0, 2: 4, 4: 16, 6: 36, 8: 64}

	# 搭配三元 if/else
	{x: ("small" if x <= 3 else "big") for x in range(1, 6)}
	# {1: 'small', 2: 'small', 3: 'small', 4: 'big', 5: 'big'}

# Generator Expression（生成器表達式）

不會一次產生整個資料結構，而是逐個產生值，適合大量資料時節省記憶體。

	# 基本
	(x * 2 for x in range(5))

	# 搭配 if 篩選
	(x for x in range(10) if x % 2 == 0)

	# 搭配三元 if/else
	(f"small-{x}" if x <= 3 else str(x) for x in range(1, 6))

	# 常見用法：直接放入函式
	sum(x**2 for x in range(10))
	print(x for x in range(5)) # 括號由函式呼叫提供

# lambda

匿名函式，適合用在需要傳入函式的場合（如 map 、 sorted ）。

	# 基本語法
	lambda 參數: 運算式

	# 範例
	add = lambda x, y: x + y
	add(2, 3) # 5

	# 搭配 sorted
	words = ["banana", "apple", "cherry"]
	sorted(words, key=lambda w: len(w))
	# ['apple', 'banana', 'cherry']

# map

對可迭代物件的每個元素套用函式，回傳一個 map 物件（惰性求值）。

	# 基本語法
	map(函式, 可迭代物件)

	# 範例
	list(map(lambda x: x**2, [1, 2, 3, 4]))
	# [1, 4, 9, 16]

	# 搭配內建函式
	list(map(str, [1, 2, 3]))
	# ['1', '2', '3']

	# 多個可迭代物件
	list(map(lambda x, y: x + y, [1, 2, 3], [10, 20, 30]))
	# [11, 22, 33]

# zip

將多個可迭代物件「拉鍊」合併，逐一配對成 tuple。

	# 基本語法
	zip(可迭代物件1, 可迭代物件2, ...)

	# 範例
	names = ["Alice", "Bob", "Carol"]
	scores = [90, 85, 92]
	list(zip(names, scores))
	# [('Alice', 90), ('Bob', 85), ('Carol', 92)]

	# 常見用法：同時迭代兩個列表
	for name, score in zip(names, scores):
	print(name, score)

	# 長度不同時，以最短的為準
	list(zip([1, 2, 3], ["a", "b"]))
	# [(1, 'a'), (2, 'b')]

# reduce

對可迭代物件進行累積運算，需從 functools 匯入。

	from functools import reduce

	# 基本語法
	reduce(函式, 可迭代物件, 初始值)

	# 範例：累加
	reduce(lambda acc, x: acc + x, [1, 2, 3, 4, 5])
	# 15

	# 有初始值
	reduce(lambda acc, x: acc + x, [1, 2, 3], 100)
	# 106

	# 找最大值
	reduce(lambda a, b: a if a > b else b, [3, 1, 4, 1, 5, 9])
	# 9

# matplotlib.pyplot

Python 最常用的繪圖套件。

import matplotlib.pyplot as plt

# plt.plot () — 折線圖

plt.plot(x, y, fmt, **kwargs)

參數	型態	說明
`x`	list /ndarray/ 可迭代	X 軸資料，可省略（省略時以索引為 x）
`y`	list /ndarray/ 可迭代	Y 軸資料（必填）
`fmt`	str	格式字串，組合顏色 + 標記 + 線型，如 `'r--o'`
`color`	str	線條顏色，如 `'red'` 、 `'#FF0000'` 、 `(1,0,0)`
`linewidth` / `lw`	float	線條寬度，預設 1.5
`linestyle` / `ls`	str	線型： `'-'` 、 `'--'` 、 `'-.'` 、 `':'` 、 `'None'`
`marker`	str	資料點標記： `'o'` 、 `'s'` 、 `'^'` 、 `'x'` 、 `'.'` 等
`markersize` / `ms`	float	標記大小
`label`	str	圖例文字，搭配 `plt.legend()` 使用
`alpha`	float (0~1)	透明度，0 全透明，1 不透明
`zorder`	int	繪圖層序，數值越大越在上層

fmt 格式字串語法： '[顏色][標記][線型]'

類別	常用值
顏色	`b` 藍、 `g` 綠、 `r` 紅、 `c` 青、 `m` 洋紅、 `y` 黃、 `k` 黑、 `w` 白
標記	`o` 圓、 `s` 方、 `^` 三角、 `x` X、 `+` 加、 `*` 星、 `.` 點
線型	`-` 實線、 `--` 虛線、 `-.` 點虛線、 `:` 點線

	x = [1, 2, 3, 4, 5]
	y = [2, 4, 1, 8, 3]

	# 基本用法
	plt.plot(x, y)

	# 紅色虛線 + 圓形標記
	plt.plot(x, y, 'r--o')

	# 用關鍵字參數詳細控制
	plt.plot(x, y,
	color='steelblue',
	linewidth=2,
	linestyle='--',
	marker='o',
	markersize=8,
	label='series A',
	alpha=0.8
	)

	# 省略 x（自動以 0,1,2... 為索引）
	plt.plot(y)

# plt.bar () — 長條圖

plt.bar(x, height, width=0.8, bottom=0, align='center', **kwargs)

參數	型態	說明
`x`	list / ndarray	每根長條的 X 位置
`height`	list / ndarray	每根長條的高度
`width`	float / list	長條寬度，預設 0.8
`bottom`	float / list	長條底部起點，堆疊圖時使用
`align`	str	`'center'` （預設）或 `'edge'`
`color`	str / list	填充顏色
`edgecolor`	str	邊框顏色
`label`	str	圖例文字

	categories = ['A', 'B', 'C', 'D']
	values = [3, 7, 2, 9]

	plt.bar(categories, values, color='steelblue', edgecolor='black', width=0.6)

# plt.scatter () — 散佈圖

plt.scatter(x, y, s=None, c=None, marker='o', cmap=None, alpha=None, **kwargs)

參數	型態	說明
`x`	list / ndarray	X 軸資料
`y`	list / ndarray	Y 軸資料
`s`	float / list	每個點的大小（面積），預設約 36
`c`	str / list / ndarray	每個點的顏色，可傳入數值陣列搭配 `cmap`
`marker`	str	標記形狀，同 `plot()`
`cmap`	str	colormap 名稱，如 `'viridis'` 、 `'plasma'` 、 `'coolwarm'`
`alpha`	float	透明度
`edgecolors`	str	點的邊框顏色

	import numpy as np
	x = np.random.randn(100)
	y = np.random.randn(100)
	sizes = np.random.randint(20, 200, 100)
	colors = np.random.rand(100)

	plt.scatter(x, y, s=sizes, c=colors, cmap='viridis', alpha=0.7, edgecolors='k')
	plt.colorbar() # 顯示顏色對應的數值條

# 常用標籤與版面設定

	plt.title("標題", fontsize=14, fontweight='bold')
	plt.xlabel("X 軸標籤", fontsize=12)
	plt.ylabel("Y 軸標籤", fontsize=12)
	plt.legend() # 顯示圖例（需各繪圖函式有設 label）
	plt.xlim(0, 10) # 設定 X 軸範圍
	plt.ylim(-1, 15) # 設定 Y 軸範圍
	plt.xticks([1,2,3], ['A','B','C']) # 自訂刻度與標籤
	plt.grid(True, linestyle='--', alpha=0.5) # 顯示格線
	plt.tight_layout() # 自動調整版面避免重疊
	plt.savefig('output.png', dpi=150, bbox_inches='tight') # 存檔
	plt.show() # 顯示圖表

# plt.subplots () — 多圖並排

fig, axes = plt.subplots(nrows, ncols, figsize=(寬, 高), **kwargs)

參數	型態	說明
`nrows`	int	列數，預設 1
`ncols`	int	欄數，預設 1
`figsize`	tuple (w, h)	整張圖的尺寸，單位為英吋
`sharex`	bool / str	是否共用 X 軸
`sharey`	bool / str	是否共用 Y 軸

	x = [1, 2, 3, 4, 5]
	y = [2, 4, 1, 8, 3]

	# 單列雙欄
	fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))
	ax1.plot(x, y, 'b-o')
	ax1.set_title("折線圖")
	ax2.bar(x, y, color='orange')
	ax2.set_title("長條圖")
	plt.tight_layout()
	plt.show()

	# 2x2 格線
	fig, axes = plt.subplots(2, 2, figsize=(10, 8))
	axes[0, 0].plot(x, y)
	axes[0, 1].bar(x, y)
	axes[1, 0].scatter(x, y)
	axes[1, 1].hist(y, bins=5)
	plt.tight_layout()
	plt.show()

# numpy

科學計算套件，核心是 ndarray（N 維陣列），支援向量化運算。

	import numpy as np

	# 建立陣列
	np.array([1, 2, 3]) # 一維
	np.array([[1, 2], [3, 4]]) # 二維
	np.zeros((3, 3)) # 全 0
	np.ones((2, 4)) # 全 1
	np.arange(0, 10, 2) # [0, 2, 4, 6, 8]
	np.linspace(0, 1, 5) # [0, 0.25, 0.5, 0.75, 1.0]

	# 向量化運算（不需要 for 迴圈）
	a = np.array([1, 2, 3])
	a * 2 # [2, 4, 6]
	a ** 2 # [1, 4, 9]
	a + a # [2, 4, 6]

	# 常用屬性
	a.shape # (3,)
	a.dtype # int64
	a.ndim # 1

	# 常用函式
	np.sum(a) # 6
	np.mean(a) # 2.0
	np.max(a) # 3
	np.min(a) # 1
	np.sort(a) # 排序

# shape

shape 是陣列的屬性（不是函式），回傳一個 tuple，代表陣列每個維度的大小。

	a = np.array([1, 2, 3])
	a.shape # (3,) 一維，3 個元素

	b = np.array([[1, 2, 3], [4, 5, 6]])
	b.shape # (2, 3) 二維，2 列 3 欄

	c = np.zeros((2, 3, 4))
	c.shape # (2, 3, 4) 三維

	# 常見用法：取出資料維度
	X_train = np.array([[1, 2], [3, 4], [5, 6]])
	X_train.shape[0] # 3，樣本數（列數）
	X_train.shape[1] # 2，特徵數（欄數）

# np.zeros

np.zeros(shape, dtype=float) ：建立指定形狀、內容全為 0 的陣列。

shape ：可以是整數（一維）或 tuple（多維）
dtype ：預設為 float64 ，可省略

	np.zeros(3) # array ([0., 0., 0.]) shape 傳整數 -> 一維陣列
	np.zeros((3,)) # array ([0., 0., 0.]) 等同上面，用 tuple 表示一維
	np.zeros((2, 3)) # 2x3 全 0 陣列
	np.zeros((2, 3), dtype=int) # 指定型別為整數

	# 實際範例：初始化線性模型參數
	data_dim = 4 # 特徵數量
	w = np.zeros(data_dim) # shape=(4,)，每個特徵一個權重
	b = np.zeros(1) # shape=(1,)，一個偏差值
	print(w) # [0. 0. 0. 0.]
	print(b) # [0.]